- •Вопрос 1.
- •Вопрос 2.
- •Вопрос 3. В основе схемы лежат некоторые этапы определения:
- •Вопрос 4.
- •Вопрос 5.
- •Вопрос 6.
- •Вопрос 7.
- •Вопрос 8.
- •Вопрос 9.
- •Вопрос 10.
- •Вопрос 11.
- •Вопрос 12.
- •Оценка агрегативных систем как моделей сложных систем.
- •Вопрос 13.
- •Вопрос 14.
- •Вопрос 15.
- •Вопрос 16.
- •Вопрос 17.
- •Вопрос 18.
- •Вопрос 19.
- •Вопрос 20.
- •Вопрос 21.
- •Вопрос 22.
- •Вопрос 23.
- •Вопрос 24.
- •Вопрос 25.
- •Вопрос 26.
- •Вопрос 27.
- •Вопрос 28.
Вопрос 19.
Адекватность.
Различают модели существующих и проектируемых систем. Для существующих систем можно провести оценку адекватности, т.е. проверить соответствие между поведением реальной системы и имитационной модели.
Реальная система:
Y*= (G*,X*)
на нее воздействуют переменныеG*, которые можно измерять, но нельзя управлять,
есть параметры Х* , которые можно измерять, изменять,
на выходе возможно измерение характеристик Y*, т.е. существует некоторая функциональная зависимость.
Модель системы:
Y= (G,X)
Следовательно, процедура адекватности состоит в том, чтобы сравнить Y и Y* при одинаковых значениях входов (если возможно). И те, и другие данные – статистические, поэтому, необходимо применять методы статистической теории оценивания и проверки гипотез.
Используются 2 основных подходак оценке адекватности:
По средним значениям откликов модели и системы.
Проверяется гипотеза о близости средних значений каждой n-ой компоненты откликов модели () известным средним значениямn-ой компоненты откликов реальной системы ().
Количество опытов N*1 и N2 , N2N*1 , получают матожидание и дисперсию.
Используется t-статистика Стьюдента.
Основа для проверки гипотез: E=()
Оценивается дисперсия разности:
вычисляется t-статистика Стьюдента:
по таблице находится критическое значение: если tntкрит., то гипотеза о близости средних значений принимается.
Такая процедура по каждому n-му компоненту.
По дисперсиям отклонений откликов модели от среднего значения отклика системы.
Это сравнение выполняется с помощью F-критерия (критерия Фишера).F-статистика:
Проверяется гипотеза о значимости различия оценок двух дисперсий: и
Составляется F-статистика:
задается некоторый уровень значимости (=0,05)
определяются степени свободы: 1=2=N1=N2
по таблице Фишера получаем критическое значение F-критерия, еслиFnFкрит., то гипотеза принимается, следовательно отсутствует адекватность между реальной и моделируемой системой.
Такая процедура по каждой компоненте. Если хотя бы по одной компоненте отсутствует адекватность, то вся модель не адекватна.
Проводится калибровка модели, если модель немного не адекватна, иначе – возврат на первые этапы проектирования.
Верификация - проверка внутренней логической структуры (проверка соответствия модели замыслу исследователя).
Процедуры верификации:
Проверка преобразования информации от входа к выходу – используются средства ручной имитации.
Проверка правильности динамики развития алгоритма.
Проверка на реальном потоке данных при конкретных заданных Gи Х.
Заменить стохастические элементы на детерминированные (проверка на ожидаемость).
Х менять в некотором диапазоне, и смотреть, не дает ли модель абсурдные ответы.
Проверка исходных предположений (проверка предположений, гипотез с помощью статистических методов).
Вопрос 20.
Проблемный анализ.
формирование статистически значимых выводов на основе данных, полученных в результате имитационного моделирования.
Вопрос: на сколько могут быть полезны результаты моделирования, чтобы их использовать для выводов.
Необходимо определить:
точность данных (имитации) – разброс статистических данных на выходе,
статистическую достоверность результатов имитации, чтобы можно было делать статистически значимые выводы.
Наиболее существенные процедуры исследования модели:
Процедура, связанная с повышением точности имитации.
Точностьимитации явлений – оценка влияния стохастических элементов на функционирование модели сложной системы. Степень точности определяется величиной флуктуации случайного фактора, его дисперсии. Эксперимент на имитационной модели – единственная реализация, следовательно, надо использовать статистические методы для обработки этих результатов.
Чтобы повысить точность, надо повысить кол-во экспериментов. Мерой точности является доверительный интервал.
Для повышения точности используют методыпонижения дисперсий (например, метод коррелированных выборок (метод общих случайных чисел) – исследуют 2 и более систем с одними и теми же случайными числами; метод компенсации – намеренно вводят отрицательную корреляцию; метод значимой выборки); метод длинных прогонов (или повторения прогонов).
Оценка устойчивости результатов имитации исследуемых процессов.
Под устойчивостьюрезультатов моделирования понимаются степени чувствительности ее к изменению условий моделирования (входных условий).
Устойчивость результатов моделирования характеризуется сходимостью контролируемой выходной переменной моделирования к определенной величине при увеличении времени моделирования варианта сложной системы.
Методика оценки устойчивости:
устойчивость результатов моделирования оценивается дисперсией значений отклика (выхода) по выбранной компоненте. Если с повышением времени моделирования она не увеличивается, то результаты моделирования устойчивы.
Исследование чувствительности имитационной модели как изменение критериев качества в зависимости от параметров системы.
Исследования чувствительностиимитационной модели является подготовительным этапом перед планированием эксперимента и является наиболее важным этапом.
Анализ чувствительности – определение чувствительности результатов моделирования к изменению используемых значений параметров.
Цели: проследить как изменяется Yпри незначительном изменении параметра (Хmin,Хmax). Если значение Х изменяется не значительно, то модель к нему не чувствительна, следовательно: модель можно упростить или Х не важен для эксперимента.
Чувствительность имитационной модели представляется величиной минимального приращения (Y) выбранного критерия качества, вычисляемого по статистикам моделирования при последовательном варьировании параметров моделирования на всем диапазоне их применения.
Пример:
(по каждой компоненте)
Пример: методика –
для каждой компоненты от 1 доn.
Отсюда: .